專利名稱：：人臉擬合方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于計算機(jī)視覺領(lǐng)域，更具體地講，涉及人臉關(guān)鍵點(diǎn)定位。
背景技術(shù)：
：現(xiàn)有的人臉定位方法對于初始位置比較接近目標(biāo)位置時通常能獲得較好的定位效果。但是當(dāng)初始位置離目標(biāo)位置較遠(yuǎn)時，其定位效果并不理想，有時部分器官不能準(zhǔn)確定位，甚至定位結(jié)果不收斂。其原因之一在于形狀模型中為能表達(dá)各種臉型、表情和姿態(tài)，需要較多的形狀向量，從而使形狀參數(shù)過多，造成迭代不穩(wěn)定不易收斂。由于各種原因，人臉檢測器檢測到的人臉有時離目標(biāo)位置會有較大的偏差，檢測框的大小與實際人臉大小也可能存在較大差異。此外對于一般的準(zhǔn)正臉的檢測器不能給出人臉面內(nèi)面外旋轉(zhuǎn)角度信息。在這些情況下，由于仿射變換參數(shù)偏離真值造成的誤差遠(yuǎn)大于線性形狀模型參數(shù)不正確而帶來的誤差，在基本正臉的情況下尤其是如此。因此需要一種既能獲得較大收斂范圍，同時保持較高的定位精度的人臉關(guān)鍵點(diǎn)定位方法。
發(fā)明內(nèi)容為了實現(xiàn)以上目的，本發(fā)明提供一種人臉擬合方法，包括參照輸入的人臉圖像建立包括用于相似性變換參數(shù)的Hessian矩陣以及同時用于相似性變換參數(shù)和線性形狀參數(shù)的Hessian矩陣的人臉模型；參照輸入的人臉圖像擬合建立的人臉模型中的相似性變換參數(shù)；參照輸入的人臉圖像同時擬合建立的人臉模型中的相似性變換參數(shù)和線性形狀參數(shù)。為了實現(xiàn)以上目的，本發(fā)明提供一種人臉擬合方法，包括參照輸入的人臉圖像建立大尺度AAM人臉模型；參照輸入的人臉圖像建立小尺度AAM人臉模型；擬合大尺度AAM人臉模型；擬合小尺度AAM人臉模型。通過下面結(jié)合附圖進(jìn)行的描述，本發(fā)明的上述和其他目的將會變得更加清楚，其中圖1是一個線性形狀模型的示意圖；圖2是示出幾何對齊過程的流程圖；圖3是示出PCA分析的過程的流程圖；圖4示出一個線性外觀模型的示例的示圖；圖5是示出外觀模型的建立過程的流程圖；圖6是示出三角面片映射的示圖；圖7是形狀參數(shù)逆向合成的示意圖；圖8是人臉定位的過程的流程圖，包括圖(a)和(b)，(a)表示離線建模過程的流程圖，(b)表示在線人臉定位過程的流程圖9是根據(jù)本發(fā)明的示例性實施例的人臉定位方法的流程圖；圖10是根據(jù)本發(fā)明的另一示例性實施例的人臉定位方法的流程圖；圖11是根據(jù)本發(fā)明的又一示例性實施例的人臉定位方法的流程圖。具體實施例方式為了有助于對本發(fā)明的示例性實施例的描述和理解，現(xiàn)描述現(xiàn)有技術(shù)中的相關(guān)技術(shù)，主要介紹基于主動外觀模型(ActiveAppearanceModels,AAMs)人臉定方法的基本原理及算法主動外觀模型的建立主動外觀模型由形狀模型和外觀模型兩部分構(gòu)成。形狀模型2維(2D)人臉形狀可由ν個關(guān)鍵點(diǎn)來描述?？捎靡粋€向量來描述這ν個關(guān)鍵點(diǎn)的2維坐標(biāo)，得s=(X1,Y1,…，xv,yv)T(1)為能包容不同人臉形狀，形狀模型可表示為一個基本形狀(也稱平均形狀)Stl加上多個形狀向量Si的線性組合ηS-S0^YjP1Si(2)"=ι其中，Pi是形狀參數(shù)。如圖1所示。圖1是一個線性形狀模型的示意圖，圖1中第一個示圖表示平均形狀，后三個示圖中示出了前3個形狀向量。為便于直觀顯示，將形狀向量疊加在平均形狀上，圖1中的小箭頭表示形狀向量中各關(guān)鍵點(diǎn)對應(yīng)的分量(即由2維坐標(biāo)組成的向量)。下面介紹形狀模型的建立過程形狀模型的建立通常包含兩大步驟(1)對人工標(biāo)記的一定數(shù)量人臉形狀用Procrustes算法進(jìn)行幾何對齊；(2)對幾何對齊了的人臉形狀做主成份分析(PrincipalComponentAnalysis,PCA)。做完P(guān)CA分析即可得到形狀模型，其中sQ對應(yīng)于平均形狀，Si是與前η個最大特征值對應(yīng)的特征向量。幾何對齊的具體步驟如圖2所示。如圖2所示，在步驟S21，將形狀坐標(biāo)平移以使其質(zhì)心位于坐標(biāo)原點(diǎn)。在步驟S22，選擇一個樣本作為平均形狀的初始值，并作歸一化，使得I？—1。在步驟S23，記錄該平均形狀的初值為％，并以此作為參考坐標(biāo)系。在步驟S24，將所有樣本向當(dāng)前估計的平均形狀對齊。在步驟S25，計算對齊后的樣本的平均形狀。在步驟S26，計算對齊后的樣本的平均形狀，以此更新當(dāng)前估計的平均形狀。在步驟S27，將當(dāng)前估計的平均形狀向％對齊，并做歸一化I5|=Κ然后在步驟S28，判斷是否收斂。如果收斂則結(jié)束對齊過程，否則返回步驟S24。圖2中兩形狀通過仿射變換進(jìn)行幾何對齊，仿射變換等式(3)如下fx)(a-b\(x\ftΛT=+(3)\yJIbaAy)VyJ使形狀X向形狀X'幾何對齊是通過最小化以下函數(shù)值得到的T(X)-X'I2對于質(zhì)心均在原點(diǎn)的兩個形狀X和X'，使X向X'對齊的仿射變換參數(shù)為<formula>formulaseeoriginaldocumentpage5</formula>設(shè)有N個形狀樣本，對這些幾何對齊后的樣本做PCA分析。PCA分析的過程如圖3所示。在步驟S31，計算幾何對齊后的樣本形狀的平均形狀。在步驟S32，計算形狀協(xié)方差矩陣。在步驟S33，計算協(xié)方差矩陣的特征值和特征向量。在步驟S34，按特征值降序排序各特征向量，取前幾個特征向量作為形狀向量。其中，按等式(5)計算步驟S31中所述的平均形狀<formula>formulaseeoriginaldocumentpage5</formula>按等式(6)計算協(xié)方差矩陣<formula>formulaseeoriginaldocumentpage5</formula>外觀模型外觀模型描述基本形狀S0內(nèi)部的人臉紋理圖像。與形狀模型類似，外觀模型也可表示為一個基本外觀(也稱平均外觀)Atl(X)加上多個外觀向量Ai(X)的線性組合，如下面的等式(7)所示<formula>formulaseeoriginaldocumentpage5</formula>其中，λi是外觀參數(shù)。圖4是一個線性外觀模型的示例，圖4中第一幅圖是平均外觀和后三幅圖表示前3個外觀向量。下面介紹外觀模型的建立外觀模型的建立相對簡單，其具體過程如圖5所示。在步驟S51，將每個樣本形狀內(nèi)的人臉紋理映射到平均形狀內(nèi)，得到形狀無關(guān)的人臉紋理圖像。在步驟S52，對各樣本形狀無關(guān)的人臉紋理圖像作PCA分析，得到平均人臉外觀和外觀向量。其中PCA分析方法與形狀模型建立時的PCA分析方法類似。步驟S51中的紋理映射可采用分段仿射變換映射的方法，首先對平均形狀包含的區(qū)域劃分成許多三角片，各樣本的形狀按平均形狀同樣的方式也劃分成對應(yīng)的三角片，這樣兩個三角片內(nèi)部的所有點(diǎn)都存在一一對應(yīng)關(guān)系(可用仿射變換描述)，圖6是示出三角面片映射的示圖。平均形狀三角片內(nèi)一點(diǎn)(X，y)T按照圖6所示的等同比例關(guān)系映射到樣本形狀三角片內(nèi)的點(diǎn)W(X；P)處，即若已知兩三角片3個頂點(diǎn)坐標(biāo)，則與平均形狀三角片內(nèi)點(diǎn)(x，y)T對應(yīng)的點(diǎn)W(x；P)的坐標(biāo)可按下式⑶計算<formula>formulaseeoriginaldocumentpage6</formula>其中<formula>formulaseeoriginaldocumentpage6</formula>下面介紹模型擬合，即人臉定位基于逆向合成的模型擬合算法人臉定位過程可理解為模型擬合的過程，即尋找合適的形狀參數(shù)和外觀參數(shù)，使得合成的人臉與輸入圖像中的人臉最為接近，也即最小化以下函數(shù)值<formula>formulaseeoriginaldocumentpage6</formula>其中，W定義為從基本形狀Stl到當(dāng)前形狀s的分段仿射映射，N為2維相似性變換(即等式(3)所示的仿射變換)，q為相似性變換參數(shù)。改寫等式(3)為<table>tableseeoriginaldocumentpage6</column></row><table>其中，q=(a,b，tx，ty)。當(dāng)對平均形狀做仿射變換時，上式還可寫成與(2)類似的形式。記彳=^0=(々,/,---,X10,/)',〈(1。,<，...，,^10)7'=(1，0，...,1，0)Γ，<=(0，1,’.’，0，1)\則(η)式可表示為<formula>formulaseeoriginaldocumentpage6</formula>其中，<formula>formulaseeoriginaldocumentpage6</formula>為實現(xiàn)實時人臉定位，采用基于外觀向量切空間(即外觀向量正交補(bǔ)空間)的逆向合成圖像對齊算法(Inversecompositionalimagealignmentalgorithm)。等式(10)可改寫成向量形式并進(jìn)一步分解為兩項之和<formula>formulaseeoriginaldocumentpage6</formula>其中Ifi表示投影到L子空間的向量的歐氏2范數(shù)的平方，span(Ai)表示由向量Ai支撐的線性子空間，Span(Ai)ι是Span(Ai)的正交補(bǔ)空間。為敘述方便，在此省略了(10)中的相似性變換N，但在實際擬合中是必不可少的。等式(13)中的第二項中<formula>formulaseeoriginaldocumentpage7</formula>為⑷投影到Span(Ai)工空間后為零向量，故(11)式可進(jìn)一步簡化為<formula>formulaseeoriginaldocumentpage7</formula>等式(14)中的第2項只有形狀參數(shù)，而與外觀參數(shù)無關(guān)。因此，可先對第2項進(jìn)行優(yōu)化求解，然后將求得的形狀參數(shù)代入第一項可求得外觀參數(shù)。采用高斯牛頓法對第2項進(jìn)行優(yōu)化求解，具體步驟參見下面將描述的逆向合成算法。求解的基本思路是，先用逆向合成法改寫(14)式第二項<formula>formulaseeoriginaldocumentpage7</formula>對(15)式第一項做一階泰勒展開得<formula>formulaseeoriginaldocumentpage7</formula>然后令(16)式關(guān)于Δρ的一階偏導(dǎo)等于零，即可解得<formula>formulaseeoriginaldocumentpage7</formula>其中<formula>formulaseeoriginaldocumentpage7</formula>(18)<formula>formulaseeoriginaldocumentpage7</formula>(19)逆向合成算法包括兩個過程預(yù)先計算Hessian矩陣和迭代過程。具體內(nèi)容如下預(yù)先計算(3)計算Atl(X)的梯度圖VA<formula>formulaseeoriginaldocumentpage7</formula>(4)計算雅可比γ和i<formula>formulaseeoriginaldocumentpage7</formula>(5)根據(jù)式(20)計算切空間的最速下降圖SDp。(x)(6)根據(jù)式(19)計算Hessian矩陣Hptj并求其逆迭代(1)計算I(N(W(x;p);q))(2)計算差圖像I(N(W(x；ρ)；q))-A0(χ)(7)計算(Δ《，Ap)二dSDrpo{χ){Ι{Ν(Ψ{χ·ρ)'q))-A0(χ))(8)更新形狀參數(shù)(NοW)(χ；q，ρ)—(NοW)(χ；q,ρ)ο(NοW)(χ；Δq,Δρ)―1直到II(Aq，Δρ)II<ε。其中等式(20)為<formula>formulaseeoriginaldocumentpage8</formula>下面描述形狀參數(shù)逆向合成算法由于上述逆向合成算法的步驟(7)計算得到的形狀參數(shù)增量是相對于平均形狀坐標(biāo)系而言的，因此需要把這個增量換算到輸入圖像坐標(biāo)系中。具體換算時并不是實際換算參數(shù)增量，而是通過平均形狀的關(guān)鍵點(diǎn)坐標(biāo)變化來轉(zhuǎn)換的。圖7是形狀參數(shù)逆向合成的示意圖。如圖7所示，平均形狀某一關(guān)鍵點(diǎn)坐標(biāo)在形狀參數(shù)增量的作用下，移至點(diǎn)<formula>formulaseeoriginaldocumentpage8</formula>對應(yīng)地，輸入圖像對應(yīng)關(guān)鍵點(diǎn)坐標(biāo)根據(jù)仿射變換關(guān)系將移至點(diǎn)(X^yi)T+(AXi+Ayi)T處(該值即為(Noff)(χ；q，p)0(Noff)(χ；Δq,Δρ)—1之值)。得到更新后的輸入圖像關(guān)鍵點(diǎn)坐標(biāo)后(記其形狀為sD)，新的形狀參數(shù)可由下面兩式(22)和(23)計算得到<formula>formulaseeoriginaldocumentpage8</formula>(22)<formula>formulaseeoriginaldocumentpage8</formula>(23)下面參照圖8對人臉定位的過程進(jìn)行描述。圖8包括圖(a)和(b)，(a)表示離線建模過程的流程圖，(b)表示在線人臉定位過程的流程圖。離線建模過程包括步驟S81-S86。在步驟S81，對輸入的人臉圖像進(jìn)行人工標(biāo)點(diǎn)；隨后在步驟S82，對標(biāo)點(diǎn)后的圖像建立統(tǒng)計形狀模型；在步驟S83，對標(biāo)點(diǎn)后的圖像建立統(tǒng)計外觀模型；在步驟S84，計算平均外觀的梯度圖；在步驟S85，計算最速下降圖；在步驟S86，計算Hessian矩陣并求其逆。在線人臉定位過程包括步驟S87-S92。在步驟S87，根據(jù)人臉檢測結(jié)果初始化Hessian矩陣中的參數(shù)q，參數(shù)ρ初始化為0。步驟S88，計算I(N(W(x；ρ)；q))。在步驟S89，計算差圖像。在步驟S90，計算形狀參數(shù)增量(Aq，Δρ)。在步驟S91，更新形狀參數(shù)(q，P)。在步驟S92，判斷是否收斂，如果收斂則結(jié)果處理，否則返回步驟S88。下面結(jié)合本發(fā)明的附圖對本發(fā)明的示例性實施例進(jìn)行詳細(xì)描述。圖9是根據(jù)本發(fā)明的示例性實施例的人臉定位方法的流程圖。根據(jù)本發(fā)明示例性實施例的人臉定位方法是基于兩種復(fù)雜度的AAM模型擬合的第一方法。首先進(jìn)行低復(fù)雜度的AAM模型擬合。低復(fù)雜度下只考慮相似性變換參數(shù)(即，剛體變化參數(shù))q，而不考慮線性形狀參數(shù)P；然后，待低復(fù)雜度AAM模型擬合收斂后，再進(jìn)行高復(fù)雜度的AAM模型擬合。高復(fù)雜度下同時考慮參數(shù)q和P。下面參照圖9對基于兩種復(fù)雜度的AAM模型擬合方法進(jìn)行詳細(xì)描述。該擬合方法包括預(yù)先計算Hessian矩陣和迭代過程。預(yù)先計算Hessian矩陣包括步驟S101-S104。迭代過程包括步驟S105-S1014。在步驟S101，估計輸入人臉樣本的梯度；在步驟S102，估計雅可比；在步驟S103，計算修改的最速下降圖像；在步驟S104，計算兩個Hessian矩陣并求其逆，這兩個Hessian矩陣分別是用于相似性變換參數(shù)q的Hessian矩陣和同時用于相似性變換參數(shù)q和線性形狀變換參數(shù)P的Hessian矩陣。之后描述迭代過程。首先在步驟S105-S109擬合相似性變換參數(shù)q，之后在步驟S1010-S1014同時擬合相似性變換參數(shù)q和線性形狀變換參數(shù)P。在步驟S105，計算I(N(x;q))；在步驟S106，計算差圖像；在步驟S107，計算參數(shù)增量Aq;在步驟S108，更新q;在步驟S109，判斷人臉圖像是否收斂。如果收斂則進(jìn)行步驟S1010,否則進(jìn)行步驟S105，繼續(xù)擬合相似性變換參數(shù)q。在步驟S1010，計算I(N(W(x;p)；q))；在步驟S1011，計算差圖像；在步驟S1012，計算形狀參數(shù)增量(Aq，Δρ)；在步驟S1013，更新(q，p)；在步驟S1014，判斷是否收斂。當(dāng)收斂時，結(jié)束擬合過程，否則回到步驟S1010。圖10是根據(jù)本發(fā)明的另一示例性實施例的人臉定位方法的流程圖。根據(jù)本發(fā)明的另一示例性實施例的人臉定位方法是基于多尺度平滑的人臉擬合的第二方法。根據(jù)本發(fā)明的基于多尺度平滑的人臉擬合方法基于多次度平滑策略，即定位初始階段在大尺度平滑后的圖像上定位，待收斂后再在小尺度平滑后的圖像上定位，這樣既能獲得較大收斂范圍，同時保持較高的定位精度。下面結(jié)合圖10對根據(jù)本發(fā)明的基于多尺度平滑的人臉擬合方法進(jìn)行詳細(xì)描述。該擬合方法包括預(yù)先計算和迭代過程。預(yù)先計算包括步驟Slll-SlH0迭代過程包括步驟S115-S1110。在步驟S111，利用大尺度高斯濾波來平滑訓(xùn)練邊緣圖像以得到大尺度平滑后的圖像。然后，在步驟S112，利用在步驟Slll得到的大尺度平滑后的圖像構(gòu)建大尺度AAM人臉模型(以下稱為AAM1)。在步驟S113，利用小尺度高斯濾波來平滑訓(xùn)練邊緣圖像以得到小尺度平滑后的圖像。然后，在步驟S114，利用在步驟S113得到的小尺度平滑后的圖像構(gòu)建小尺度AAM人臉模型(以下稱為AAM2)。在步驟S115，利用大尺度高斯濾波來平滑輸入邊緣圖像。在步驟Sl16，參照平滑的輸入邊緣圖像對在步驟Sl12構(gòu)建的AAMl進(jìn)行擬合。在步驟S117，判斷是否收斂。如果收斂，則進(jìn)行步驟S118，否則，返回步驟S116繼續(xù)進(jìn)行擬合操作。在步驟S118，利用小尺度高斯濾波來平滑輸入邊緣圖像。在步驟Sl19，參照平滑的輸入邊緣圖像對在步驟Sl13構(gòu)建的AAM2進(jìn)行擬合。在步驟S1110，判斷是否收斂。如果收斂，則操作結(jié)束，否則返回步驟S119繼續(xù)進(jìn)行擬合操作。圖11是根據(jù)本發(fā)明的又一示例性實施例的人臉定位方法的流程圖。該定位方法是結(jié)合上述第一方法和第二方法的基于多尺度平滑兩種復(fù)雜度的人臉擬合的第三方法。該擬合方法包括預(yù)先計算和迭代過程。預(yù)先計算包括步驟S111-S124。迭代過程包括步驟S125-S1210。在步驟S121，利用大尺度高斯濾波來平滑訓(xùn)練邊緣圖像以得到大尺度平滑后的圖像。然后，在步驟S122，利用在步驟S121得到的大尺度平滑后的圖像構(gòu)建大尺度AAM人臉模型(以下稱為AAM1)。其中，計算用于該構(gòu)建的AAMl的兩個Hessian矩陣，這兩個Hessian矩陣分別是用于相似性變換參數(shù)q的Hessian矩陣以及同時用于相似性變換參數(shù)q和線性形狀變換參數(shù)P的Hessian矩陣。類似地，在步驟S123，利用小尺度高斯濾波來平滑訓(xùn)練邊緣圖像以得到小尺度平滑后的圖像。然后，在步驟S124，利用在步驟S123得到的小尺度平滑后的圖像構(gòu)建小尺度AAM人臉模型(以下稱為AAM2)。同樣，計算用于該構(gòu)建的AAM2的兩個Hessian矩陣，這兩個Hessian矩陣分別是用于相似性變換參數(shù)q的Hessian矩陣以及同時用于相似性變換參數(shù)q和線性形狀變換參數(shù)P的Hessian矩陣。在步驟S125，利用大尺度高斯濾波來平滑輸入邊緣圖像。在步驟S126，參照平滑的輸入邊緣圖像來對在步驟S122構(gòu)建的AAMl分別進(jìn)行兩種復(fù)雜度的擬合，也就是，先進(jìn)行低復(fù)雜度下的相似性變換參數(shù)q擬合，然后，同時進(jìn)行高復(fù)雜度下的相似性變換參數(shù)q和線性形狀變換參數(shù)P的擬合。在步驟S127，判斷是否收斂。如果收斂，則進(jìn)行步驟S128，否則，返回步驟S126繼續(xù)進(jìn)行擬合操作。在步驟S128，利用小尺度高斯濾波來平滑輸入邊緣圖像。在步驟S129，參照平滑的輸入邊緣圖像來對在步驟S124構(gòu)建的AAM2分別進(jìn)行兩種復(fù)雜度的擬合，也就是，先進(jìn)行低復(fù)雜度下的相似性變換參數(shù)q擬合，然后，同時進(jìn)行高復(fù)雜度下的相似性變換參數(shù)q和線性形狀變換參數(shù)P的擬合。然后，在步驟S1210，判斷是否收斂。如果收斂，則操作結(jié)束，否則返回步驟S129繼續(xù)進(jìn)行擬合操作。通過根據(jù)本發(fā)明的人臉擬合方法，能夠獲得較高的定位精度。盡管已經(jīng)參照本發(fā)明的示例性實施例具體顯示和描述了本發(fā)明，但是本領(lǐng)域的技術(shù)人員應(yīng)該理解，在不脫離由權(quán)利要求限定的本發(fā)明的精神和范圍的情況下，可以對其進(jìn)行形式和細(xì)節(jié)上的各種改變。權(quán)利要求一種人臉擬合方法，包括參照輸入的人臉圖像建立包括用于相似性變換參數(shù)的Hessian矩陣以及同時用于相似性變換參數(shù)和線性形狀參數(shù)的Hessian矩陣的人臉模型；參照輸入的人臉圖像擬合建立的人臉模型中的相似性變換參數(shù)；參照輸入的人臉圖像同時擬合建立的人臉模型中的相似性變換參數(shù)和線性形狀參數(shù)。2.一種人臉擬合方法，包括參照輸入的人臉圖像建立大尺度AAM人臉模型；參照輸入的人臉圖像建立小尺度AAM人臉模型；擬合大尺度AAM人臉模型；擬合小尺度AAM人臉模型。3.如權(quán)利要求2所述的人臉擬合方法，其中，參照輸入的人臉圖像建立大尺度AAM人臉模型的步驟包括計算用于建立的大尺度AAM人臉模型的相似性變換參數(shù)的Hessian矩陣；計算同時用于相似性變換參數(shù)和線性形狀參數(shù)的Hessian矩陣，參照輸入的人臉圖像建立小尺度AAM人臉模型的步驟包括計算用于建立的小尺度AAM人臉模型的相似性變換參數(shù)的Hessian矩陣；計算同時用于相似性變換參數(shù)和線性形狀參數(shù)的Hessian矩陣，擬合大尺度AAM人臉模型的步驟包括先擬合建立的大尺度AAM人臉模型中的相似性變換參數(shù)，然后同時擬合建立的人臉模型中的相似性變換參數(shù)和線性形狀參數(shù)。擬合小尺度AAM人臉模型的步驟包括先擬合建立的小尺度AAM人臉模型中的相似性變換參數(shù)，然后同時擬合建立的人臉模型中的相似性變換參數(shù)和線性形狀參數(shù)。全文摘要本發(fā)明提供一種人臉擬合方法，包括參照輸入的人臉圖像建立包括用于相似性變換參數(shù)的Hessian矩陣以及用于相似性變換參數(shù)和線性形狀參數(shù)的Hessian矩陣的人臉模型；參照輸入的人臉圖像擬合建立的人臉模型中的相似性變換參數(shù)；參照輸入的人臉圖像同時擬合建立的人臉模型中的相似性變換參數(shù)和線性形狀參數(shù)。文檔編號G06K9/64GK101814132SQ20091011821公開日2010年8月25日申請日期2009年2月25日優(yōu)先權(quán)日2009年2月25日發(fā)明者金智淵,黃向生申請人:三星電子株式會社;北京三星通信技術(shù)研究有限公司